X-Teaming 进化式 M2S：自动发现多轮到单轮越狱模板

多轮转单轮 (M2S) 将迭代红队测试压缩为一个结构化提示，但以往工作依赖少量手动编写的模板。我们提出 X-Teaming Evolutionary M2S，一个通过语言模型引导的进化框架，用于发现和优化 M2S 模板。该系统将来自 12 个来源的智能抽样与受 StrongREJECT 启发的 LLM-as-judge 结合，记录完整可审计的日志。通过设置成功阈值为 $\theta = 0.70$ 维持选择压力，我们获得了五代进化、两个新的模板家族，以及在 GPT-4.1 上实现 44.8% 的整体成功率（230/103）。一个平衡的跨模型小组 2500 项试验（固定 judge）显示，结构性收益可转移但因目标而异；两个模型在同一阈值下得分为零。我们还发现提示长度与得分之间存在正相关，促使进行长度感知的判断。我们的结果表明，结构级搜索是获得更强单轮探针的可重复方法，强调了阈值校准和跨模型评估的重要性。代码、配置和制件均可在 https://github.com/hyunjun1121/M2S-x-teaming 获取。